CN116597498B - 一种基于区块链和联邦学***人脸属性分类方法 - Google Patents
一种基于区块链和联邦学***人脸属性分类方法 Download PDFInfo
- Publication number
- CN116597498B CN116597498B CN202310826138.6A CN202310826138A CN116597498B CN 116597498 B CN116597498 B CN 116597498B CN 202310826138 A CN202310826138 A CN 202310826138A CN 116597498 B CN116597498 B CN 116597498B
- Authority
- CN
- China
- Prior art keywords
- model
- fairness
- local model
- client
- local
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012795 verification Methods 0.000 claims abstract description 21
- 230000004931 aggregating effect Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 15
- 238000004220 aggregation Methods 0.000 claims description 15
- 230000006835 compression Effects 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于区块链和联邦学***人脸属性分类方法,属于计算机视觉技术领域,包括:模型需求者发布联邦学***性,生成客户端信誉,并将验证成功的局部模型参数进行加密,和客户端信誉打包生成新区块;区块链交易合约将新区块广播给其他区块链节点进行验证,中央服务器收集验证成功的局部模型参数并进行聚合,获得全局模型;模型需求者基于全局模型进行人脸属性识别分类。本发明实现了全局模型属性公平的增强,同时维持了人脸属性分类理想的准确率。
Description
技术领域
本发明属于计算机视觉技术领域,特别是涉及一种基于区块链和联邦学***人脸属性分类方法。
背景技术
人脸是一种重要的生物特征,其构造复杂、丰富多变,能够提供具体且多样化的个体或群体信息,因而成为表达人类身份特征的典型依据。人脸属性分类能够预测出给定人脸图片的属性信息,比如性别,对于人脸识别、人脸验证等计算机视觉领域至关重要,目前已受到广泛研究,并被应用于众多实际场景中。
近几年发生的相关事件和科学研究表明,人脸属性分类***可能会对拥有某些属性的群体或个体产生偏见。Buolamwini等人指出,常用的人脸识别API在PilotParliaments Benchmark(PPB)测试数据集存在严重的偏见问题,例如,针对性别(男性/女性)的判定最高有20.6%的差别。
为了解决上述分类差异性问题,有关学者提出了针对集中式机器学***衡数据集、元平衡网络、特征蒸馏等。这些方案虽然取得了一定的效果,但是无法直接应用于以城市监控***为代表的分布式***中,原因主要有两方面:第一,城市监控***通过大量的监控设备对多类型、大规模的人脸数据进行训练,这些监控设备通常是分散的,难以对其算力进行合并。第二,对富含用户敏感隐私信息的人脸图像进行统一收集及集中式管理违背了用户日益增强的隐私保护意愿,甚至违反GDPR等法规对数据业务合规性的要求。因此学者们提出了针对联邦学***性增强方案,旨在实现隐私保护的前提下,高效地完成模型训练,提高属性公平。
需要关注的是,应用于城市监控***的FL很容易受到来自恶意客户端的攻击,并且由于FL的训练过程无法追溯,难以实现对恶意客户端的锁定及追责。BCFL(Blockchain-based Federated Learning)结合了区块链,在应对上述问题方面具有明显优势,然而BCFL同样具有FL中普遍存在的异构性,且***构造更为复杂,所以同样存在偏见和歧视问题。此外,除以降低全局模型准确性为目标的攻击外,BCFL也会受到用于放大模型偏见的新型攻击。而对BCFL的公平性问题,尤其是人脸属性公平尚存在研究空白。因此,亟需提出一种基于区块链和联邦学***人脸属性分类方法。
发明内容
本发明的目的是提供一种基于区块链和联邦学***人脸属性分类方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于区块链和联邦学***人脸属性分类方法,包括以下步骤:
确定联邦学习任务触发区块链交易合约时,由所述区块链交易合约向所有在线的客户端传递所述联邦学习任务,所述联邦学习任务至少包括初始模型;
基于公平约束函数,通过所述客户端对所述初始模型进行训练,获得局部模型,并将局部模型参数发送给区块链节点;
通过所述区块链节点验证所述局部模型参数的公平性,生成客户端信誉,将验证成功的局部模型参数进行加密,和所述客户端信誉打包生成新区块并进行验证;
由中央服务器收集验证成功的局部模型参数进行聚合处理,并基于公平性调整所述验证成功的局部模型参数的权重进而获得全局模型;
基于所述全局模型进行人脸属性识别分类。
可选地,所述公平约束函数如下式所示:
其中,为真实标签,/>是对/>的预测值,Q为训练样本总量,表示整体数据真实值与预测值之间的二分类交叉熵损失,[Y]为真实标签取值集合,/>为敏感属性,/>代表真实标签为1的概率,/>表示样本敏感属性的平均值,/>表示当预测值为/>时的预测概率。
可选地,基于区块链节点验证所述局部模型参数的公平性的过程包括:所述区块链节点在收到局部模型参数之后,获取所述局部模型的局部属性公平和平均属性公平之间的匹配度;预设局部模型公平性阈值范围,当所述匹配度在所述阈值范围中,则所述局部模型参数的公平性验证成功。
可选地,生成客户端信誉的过程包括:区块链节点为客户端生成公平性验证评分,之后与区块链节点的签名有效性评分一起组成客户端信誉,并为所述客户端信誉分配权重。
可选地,其他区块链节点验证新区块的过程包括:其他区块链节点基于预设规则检验新区块的签名、局部模型参数的数量以及局部模型参数的验证情况的合理性,如果合理,投票给生成该新区块的区块链节点,拥有票数最多的区块链节点获得记账权,剩余的区块链节点将对应的新区块存储在自己的分布式账本中。
可选地,获得全局模型的过程包括:基于中央服务器获取每个局部模型的准确性、平均准确性、属性公平以及平均属性公平,通过计算获得所述准确性与平均准确性的第一比较结果,所述属性公平以及平均属性公平的第二比较结果;基于所述第一比较结果和第二比较结果确定每个局部模型的权重;基于每个局部模型的权重对局部模型进行聚合,获得当前的局部模型聚合;基于超参数控制当前的局部模型聚合和上一次全局模型的比重,更新全局模型,直至训练结束,获得最新的全局模型。
可选地,获得最新的全局模型之后的过程包括:基于当前训练轮次的客户端信誉与最大客户端信誉之间的差值,获得所述最新的全局模型的压缩比例,基于所述最新的全局模型以及对应的压缩比例,为客户端分配模型奖励。
可选地,获得最新的全局模型之后的过程还包括:由区块链交易合约将所述最新的全局模型返回给模型需求者,并基于客户端信誉的历史值为客户端发送货币奖励。
本发明的技术效果为:
本发明在客户端本地训练过程中添加公平约束函数、在局部模型验证环节增加对属性公平的评估、在全局模型聚合过程中增添基于公平性的权重调整等多个环节中增加对属性公平性的关注,实现了全局模型属性公平的增强,同时维持理想的准确率。
本发明利用区块链节点在模型验证环节中计算客户端信誉,并以此为根据拒绝将公平性差的局部模型参数纳入聚合环节,中央服务器也可以依照信誉为客户端分配相应压缩比例的全局模型,可以有效阻止恶意客户端的公平性攻击,以增强***的可靠性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的基于区块链和联邦学***人脸属性分类方法的整体结构示意图;
图2为本发明实施例中的基于区块链和联邦学***人脸属性分类方法的整体工作流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种基于区块链和联邦学***人脸属性分类方法,如图所示,除了中央服务器和客户端这两个联邦学习中常有的实体外,***还包括模型需求者和区块链节点。以下将对其进行分别介绍:
1.模型需求者是联邦学习任务的发布者,请求通过合作训练得到全局模型。具体地,模型需求者需要指定联邦学习模型(FL模型)的功能需求、训练终止条件等,同时提供货币奖励。
2.客户端是局部模型的训练者,首先收集足够的训练数据,然后基于中央服务器提供的全局模型训练自己的局部模型,最后将得到的局部模型参数加密后发送到区块链网络中。
3.区块链节点是局部模型的验证者,当接收局部模型参数后,区块链节点对其公平性进行验证以生成客户端信誉,然后将模型参数和信誉打包生成新区块。经过其他区块链节点的检验和共识后的新区块将被添加到区块链中。
4.中央服务器负责收集验证通过的局部模型参数,执行聚合机制生成全局模型,并依据每个客户端的信誉分发模型奖励。
图2为本实施例的基于区块链和联邦学***人脸属性分类方法的整体工作流程图。本实施例的流程如下:
S1:模型需求者提出FL任务,提供初始模型、学习率、优化器和结束条件等内容以触发区块链交易合约。联邦学习任务包括初始模型,但不包括局部模型。初始模型指最开始还没训练的起始模型,是局部模型的基础。
S2:如果FL任务成功启动,交易合约将自动向所有在线的客户端和区块链节点传递该任务。
S3:在接受FL任务后,客户端使用本地数据和最新的全局模型训练其初始模型,然后利用私钥对局部模型参数进行签名,并将其发送给区块链节点。
S3.1:在客户端本地训练的过程中添加了公平约束函数,如公式(1)所示。该函数由两部分组成,第一部分是目标分类损失,用于优化局部模型的准确性,第二部分是公平正则化损失,用于去除各属性组之间的偏差。
(1)
其中,为真实标签,/>是对/>的预测值,Q为训练样本总量,表示整体数据真实值与预测值之间的二分类交叉熵损失,[Y]为真实标签取值集合,/>为敏感属性,/>代表真实标签为1的概率,/>表示样本敏感属性的平均值,/>表示当预测值为/>时的预测概率。
S4:区块链节点将收到的局部模型参数传播给其他节点,并对其进行解密和验证,以检查其公平性并计算每个客户端的信誉。区块链节点将公平性合理的局部模型参数放入交易池中。
S4.1:区块链节点在收到客户端的局部模型参数后,计算其局部属性公平与平均属性公平之间的匹配度,以判断该局部模型的公平性是否在阈值范围内。匹配度可由公式(2)计算得出。
(2)
其中,为局部模型/>的属性公平,/>为所有局部模型的平均属性公平。进一步地,区块链节点检验公式(3)是否成立。
(3)
其中,表示在不包含客户端i的情况下,其他客户端匹配度的平均值。/>,表示其他客户端的匹配度与/>之间的平均差值。
S4.2:如果验证成功,区块链节点将该局部模型参数放入交易池中,并为客户端生成公平性验证评分,后续与签名有效性评分一起组成客户端的每轮信誉。如果验证失败,区块链节点将丢弃该局部模型参数,不会验证签名的有效性,并将客户端的验证评分设为0。客户端每轮信誉可由公式(4)得出。
(4)
其中,是区块链节点j对客户端i模型公平性的验证评分,/>是区块链节点j对客户端i签名有效性的验证评分。客户端的信誉会随着训练轮次的增加而变化,较近的信誉比陈旧的信誉更能说明客户端是否值得信赖,因此***选择根据信誉的新鲜度进行加权,采用牛顿冷却公式给予最近的信誉较大的权重,给予最早的信誉较小的权重。
区块链节点计算客户端历史信誉可由公式(5)得出。
(5)
(6)
其中t’表示当前轮次,为信誉的权重,由公式(10)计算得出。/>表示初始数值,也就是权重的最大值。/>>0称为指数衰减常数。
S5:当所有局部模型参数都被验证后,区块链节点使用私钥对验证成功的局部模型参数进行签名,将其和信誉一起打包生成新区块,并将新区块广播给其他区块链节点。
S6:其他区块链节点检验新区块的签名、局部模型参数的数量以及局部模型参数的验证情况是否合理,如果合理,投票给该区块的生成者,并终止对同批次区块的验证。拥有最多票数的区块链节点获得记账权,而其他区块链节点将其区块存储在自己的分布式账本中。
S7:中央服务器收集验证成功的局部模型参数,采用聚合机制进行模型聚合,以得到全局模型。进一步地,中央服务器根据客户端的信誉将对应的稀疏化全局模型分发给客户端。
S7.1:中央服务器首先计算局部模型参数的权重,从准确性方面考虑,权重计算如公式(7)所示。
(7)
其中为局部模型/>的准确性,/>为所有局部模型的平均准确性。所提聚合机制将每个局部模型的准确性与平均准确性进行比较,从而确定权重。由于所有用于聚合的局部模型参数都经过区块链节点的验证,不存在不合理的局部模型参数,所以平均准确性可以很好地代表所有局部模型准确性的真实状况。此外,为了防止权重太大或者太小影响全局模型,故限制权重在某个区间内。
同样地,从公平性方面考虑,权重计算如公式(8)所示
(8)
S7.2:根据公式(9)聚合L个经过验证的局部模型参数,得到最新的局部模型聚合。
(9)
S7.3:更新全局模型,如公式(10)所示。
(10)
其中超参数控制当前局部模型聚合和上一次全局模型的比重,/>∈(0,1)。
S7.4:中央服务器在聚合工作完成后,根据客户端当前轮次的信誉计算其应获得的模型奖励,具体公式如(11)所示。
(11)
(12)
其中表示全局模型压缩比例,通过客户端当前轮次的信誉与最大信誉之间的差值来计算,并将该值限制在区间[0,1]中,由公式(12)计算得出。
***使用GRACE框架来稀疏化全局模型,并选择其中的深度梯度压缩(DeepGradient Compression,DGC)方法提取重要梯度信息。具体来说,DGC依据梯度元素的大小是否超过某个阈值来判断该元素的重要性,而阈值由所选压缩梯度中最小的绝对值确定,同时为了防止丢失大量信息,没有超过阈值的小梯度元素通过迭代多次动量修正以进行累加。
S8:交易合约在联邦学习任务结束后返回给模型需求者最新的全局模型,并根据客户端的历史信誉分发相应的货币奖励。
S8.1:在联邦学习任务结束后,交易合约根据客户端的历史信誉计算其应获得的货币奖励,具体如公式(13)所示。
(13)
其中CY为模型需求者提交的货币总额。
S8.2:模型需求者获得最新的全局模型,并使用所述全局模型进行人脸属性分类。具体来说,模型需求者将人脸数据作为所述全局模型的输入,所述全局模型会相应地得到该人脸数据的属性值,例如性别等,然后根据这些属性值将人脸数据分到合适的类别中。
本实施例公开一种基于区块链和联邦学***人脸属性分类方法,该方法包括:模型需求者提出人脸属性分类任务;区块链交易合约被触发并传递任务;客户端在本地训练局部模型并将模型参数加密,然后发送给区块链节点;区块链节点对局部模型参数进行公平性验证并根据验证结果生成客户端信誉;区块链节点生成新区块并广播给其他节点;其他节点验证区块并达成共识;中央服务器聚合局部模型参数并为客户端分发模型奖励;重复步骤直到满足训练结束条件;交易合约返回模型给模型需求者并分发货币奖励给客户端。本实施例利用分布式账本实现了联邦学***性,中央服务器根据局部模型的准确性和公平性确定聚合权重,在保证全局模型质量的同时有效阻止恶意客户端针对模型偏见的攻击。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于区块链和联邦学***人脸属性分类方法,其特征在于,包括以下步骤:
确定联邦学习任务触发区块链交易合约时,由所述区块链交易合约向所有在线的客户端传递所述联邦学习任务,所述联邦学习任务至少包括初始模型;
基于公平约束函数,通过所述客户端对所述初始模型进行训练,获得局部模型,并将局部模型参数发送给区块链节点;
通过所述区块链节点验证所述局部模型参数的公平性,生成客户端信誉,将验证成功的局部模型参数进行加密,和所述客户端信誉打包生成新区块并进行验证;
由中央服务器收集验证成功的局部模型参数进行聚合处理,并基于公平性调整所述验证成功的局部模型参数的权重进而获得全局模型;
基于所述全局模型进行人脸属性识别分类;
基于区块链节点验证所述局部模型参数的公平性的过程包括:所述区块链节点在收到局部模型参数之后,获取所述局部模型的属性公平和平均属性公平之间的匹配度;预设局部模型公平性阈值范围,当所述匹配度在所述阈值范围中,则所述局部模型参数的公平性验证成功;
获得全局模型的过程包括:基于中央服务器获取每个局部模型的准确性、平均准确性、属性公平以及平均属性公平,通过计算获得所述准确性与平均准确性的第一比较结果,所述属性公平以及平均属性公平的第二比较结果;基于所述第一比较结果和第二比较结果确定每个局部模型的权重;基于每个局部模型的权重对局部模型进行聚合,获得当前的局部模型聚合;基于超参数控制当前的局部模型聚合和上一次全局模型的比重,更新全局模型,直至训练结束,获得最新的全局模型。
2.根据权利要求1所述的基于区块链和联邦学***人脸属性分类方法,其特征在于,
所述公平约束函数如下式所示:
其中,y q 为真实标签,/>是对x q 的预测值,Q为训练样本总量,表示整体数据真实值与预测值之间的二分类交叉熵损失,[Y]为真实标签取值集合,a q 为敏感属性,/>代表真实标签为1的概率,/>表示样本敏感属性的平均值,/>表示当预测值为/>时/>的预测概率。
3.根据权利要求1所述的基于区块链和联邦学***人脸属性分类方法,其特征在于,
生成客户端信誉的过程包括:区块链节点为客户端生成公平性验证评分,之后与区块链节点的签名有效性评分一起组成客户端信誉,并为所述客户端信誉分配权重。
4.根据权利要求1所述的基于区块链和联邦学***人脸属性分类方法,其特征在于,
验证新区块的过程包括:其他区块链节点基于预设规则检验新区块的签名、局部模型参数的数量以及局部模型参数的验证情况的合理性,如果合理,投票给生成该新区块的区块链节点,拥有票数最多的区块链节点获得记账权,剩余的区块链节点将对应的新区块存储在自己的分布式账本中。
5.根据权利要求1所述的基于区块链和联邦学***人脸属性分类方法,其特征在于,
获得最新的全局模型之后的过程包括:基于当前训练轮次的客户端信誉与最大客户端信誉之间的差值,获得所述最新的全局模型的压缩比例,基于所述最新的全局模型以及对应的压缩比例,为客户端分配模型奖励。
6.根据权利要求5所述的基于区块链和联邦学***人脸属性分类方法,其特征在于,
获得最新的全局模型之后的过程还包括:由区块链交易合约将所述最新的全局模型返回给模型需求者,并基于客户端信誉的历史值为客户端发送货币奖励。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826138.6A CN116597498B (zh) | 2023-07-07 | 2023-07-07 | 一种基于区块链和联邦学***人脸属性分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310826138.6A CN116597498B (zh) | 2023-07-07 | 2023-07-07 | 一种基于区块链和联邦学***人脸属性分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597498A CN116597498A (zh) | 2023-08-15 |
CN116597498B true CN116597498B (zh) | 2023-10-24 |
Family
ID=87604708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310826138.6A Active CN116597498B (zh) | 2023-07-07 | 2023-07-07 | 一种基于区块链和联邦学***人脸属性分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597498B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570065A (zh) * | 2021-07-08 | 2021-10-29 | 国网河北省电力有限公司信息通信分公司 | 基于联盟链和联邦学习的数据管理方法、装置及设备 |
CN115640305A (zh) * | 2022-12-22 | 2023-01-24 | 暨南大学 | 一种基于区块链的公平可信联邦学习方法 |
CN116362328A (zh) * | 2023-04-19 | 2023-06-30 | 西北工业大学 | 一种基于公平性特征表示的联邦学习异构模型聚合方法 |
-
2023
- 2023-07-07 CN CN202310826138.6A patent/CN116597498B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570065A (zh) * | 2021-07-08 | 2021-10-29 | 国网河北省电力有限公司信息通信分公司 | 基于联盟链和联邦学习的数据管理方法、装置及设备 |
CN115640305A (zh) * | 2022-12-22 | 2023-01-24 | 暨南大学 | 一种基于区块链的公平可信联邦学习方法 |
CN116362328A (zh) * | 2023-04-19 | 2023-06-30 | 西北工业大学 | 一种基于公平性特征表示的联邦学习异构模型聚合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116597498A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348204B (zh) | 一种基于联邦学习和区块链技术的边缘计算框架下海洋物联网数据安全共享方法 | |
CN113794675B (zh) | 基于区块链和联邦学习的分布式物联网入侵检测方法及*** | |
CN110324362B (zh) | 一种基于交互行为的区块链用户可信度评价方法 | |
CN107580022B (zh) | 一种数据共享***和方法 | |
CN111988137B (zh) | 一种基于门限签名和公平奖励的DPoS共识方法及其*** | |
CN109993233B (zh) | 基于机器学习来预测数据审核目标的方法及*** | |
CN115510494B (zh) | 一种基于区块链与联邦学习的多方安全数据共享方法 | |
CN111652732B (zh) | 一种基于交易图匹配的比特币异常交易实体识别方法 | |
CN111860865B (zh) | 模型构建和分析的方法、装置、电子设备和介质 | |
CN112101404B (zh) | 基于生成对抗网络的图像分类方法、***及电子设备 | |
CN112116103B (zh) | 基于联邦学习的个人资质评估方法、装置及***及存储介质 | |
CN105718526A (zh) | 一种基于律师信息的数据检索方法、装置和*** | |
CN105005874A (zh) | 网格员考核方法和*** | |
CN111325581A (zh) | 数据处理方法及装置、电子设备和计算机可读存储介质 | |
CN114418109A (zh) | 微服务架构下联邦学习的节点选择与聚合优化***及方法 | |
CN114817946A (zh) | 基于可信执行环境的联邦学习梯度提升决策树训练方法 | |
CN111105240A (zh) | 资源敏感的联合金融欺诈检测模型训练方法及检测方法 | |
WO2023045691A1 (zh) | 对象识别方法、装置、电子设备及存储介质 | |
Xu et al. | Bitcoin miners: Exploring a covert community in the Bitcoin ecosystem | |
CN110060157B (zh) | 信誉度评估方法及*** | |
CN116597498B (zh) | 一种基于区块链和联邦学***人脸属性分类方法 | |
CN107070954B (zh) | 基于匿名的信任评价方法 | |
CN115640305B (zh) | 一种基于区块链的公平可信联邦学习方法 | |
JP6762057B1 (ja) | Snsにおける動画・画像コンテンツ投稿管理システム | |
Hsueh et al. | EPoW: Solving blockchain problems economically |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |